21828 articles – 15613 references  [version française]
HAL: hal-00643438, version 1

See detailed view  BibTeX,EndNote,...
REVUE DES NOUVELLES TECHNOLOGIES DE L'INFORMATION (2012)
Classification de données EEG par algorithme évolutionnaire pour l'étude d'états de vigilance
Laurent Vezard 1, 2, Pierrick Legrand 1, 3, Marie Chavent 1, 2, Frederique Faita-Ainseba, Julien Clauzel
(2012)

L'objectif de ce travail est de prédire l'état de vigilance d'un individu à partir de l'étude de son activité cérébrale (signaux d'électro-encéphalographie EEG). La variable à prédire est binaire (état de vigilance "normal" ou "relaxé"). Des EEG de 44 participants dans les deux états (88 enregistrements), ont été recueillis via un casque à 58 électrodes. Après une étape de prétraitement et de validation des données, un critère nommé "critère des pentes" a été choisi. Des méthodes de classification supervisée usuelles (k plus proches voisins, arbres binaires de décision (CART), forêts aléatoires, PLS et sparse PLS discriminante) ont été appliquées afin de fournir des prédictions de l'état des participants. Le critère utilisé a ensuite été raffiné grâce à un algorithme génétique, ce qui a permis de construire un modèle fiable (taux de bon classement moyen par CART égal à 86.68 +- 1.87%) et de sélectionner une électrode parmi les 58 initiales.
1:  Institut de Mathématiques de Bordeaux (IMB)
CNRS : UMR5251 – Université Sciences et Technologies - Bordeaux I – Université Victor Segalen - Bordeaux II
2:  CQFD (INRIA Bordeaux - Sud-Ouest)
INRIA – Université Sciences et Technologies - Bordeaux I – Université Victor Segalen - Bordeaux II – CNRS : UMR5251
3:  ALEA (INRIA Bordeaux - Sud-Ouest)
INRIA – Université de Bordeaux – CNRS : UMR5251
Computer Science/Signal and Image Processing

Engineering Sciences/Signal and Image processing

Life Sciences/Neurons and Cognition

Computer Science/Artificial Intelligence

Mathematics/Statistics

Statistics/Statistics Theory